A New Maintenance Plan for Wind Turbine Farms Using Reinforcement Learning
Notice bibliographique
Résumé
This paper addresses the challenge of maintenance planning for multi-component systems, focusing specifically on wind turbine farms, which play a vital role in electricity production. Traditional approaches to maintenance planning rely on pre-specified thresholds, triggering maintenance actions based on conditions such as production rate, system age, or failure states. However, this study proposes a dynamic approach to maintenance planning that considers the actual state of the system in real-time. The system is modeled as a large-scale multi-component parallel production system, where each unit can be in one of three states: good, partial failure, or failure. The transitions between states are governed by a continuous Markov chain, enabling a comprehensive representation of the system's behavior. By utilizing this dynamic modeling approach, maintenance actions can be scheduled based on the current state of the system, allowing for more efficient and effective maintenance decision-making. To optimize the system's profit in an infinite planning horizon, a Markov Decision Process framework is employed. However, due to the exponential increase in the number of system states with the number of units, traditional dynamic programming algorithms are insufficient for solving this large-scale MDP. Hence, reinforcement learning algorithms, specifically Qlearning, are utilized to determine the maintenance actions based on the current system state. The objective of this study is to maximize the system's profit by considering various factors, including the costs of lost demand, profit from overproduction, and the costs associated with maintenance actions. From a practical standpoint, this research holds several values for industries reliant on multi-component production systems. Maintenance managers can harness the insights obtained from this study to formulate cost-effective strategies, ensuring minimal downtime and maximum system uptime. Moreover, as industries progressively lean towards automation and smart manufacturing, the methodologies presented here will be invaluable for integrating AI-driven maintenance protocols
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».